企业官网建设流程全解析

简介：Pascal-5i小样本学习数据集为研究者提供了基于PASCAL VOC构建的标准评测环境，专攻5-way 1-shot与5-way 5-shot场景，适合从事小样本图像分类、原型学习、元学习等方向的研究人员和学生使用。数据集将原始20类划分为基础类与新类别，前者用于训练基础知识，后者用于评估模型仅凭少数样本识别新类的能力，能够清晰检验算法的泛化性能。整个资源包共6个文件，约151KB，包含说明文档（md）、示例脚本（ipynb）、Python读取代码（py）、依赖清单（txt）以及许可证等，结构简洁。配合现成的读取脚本和示例notebook，读者可从零开始加载数据、查看图像与掩码，省去自行解析PASCAL VOC标注的繁琐过程，直接开展原型网络或元学习对比实验。目前已有1443人学习使用，对于入门小样本学习或复现论文的实验环境搭建，都是高性价比的起点。 月底调模型的时候，我从一个朋友那收到一个消息：他说手头有个“pascal-5i数据集”，半天没跑通，问我是哪一年的VOC。我当时就明白，这就是很多刚上手少样本目标检测（few-shot object detection）的人第一道坎。pascal-5i 不是什么新拍的数据集，也不是某个人的“私藏”，它是从经典 PASCAL VOC 里按照固定规则切出来的一个基准（benchmark），专门用来验证模型“只看几张带框标注的图，能不能学会一个新类别”。

这篇文章就把这件事讲透：pascal-5i 的来历、四个 fold 怎么划分、K-shot 到底按图算还是按框算、怎么从零手写 split 脚本，以及训练和评估中那些论文不会告诉你的坑。适合刚入坑小样本检测的研究生，也适合想复现 baseline 结果的工程师。

1. Pascal-5i 到底是什么：少样本目标检测的“出场设置”

1.1 从 PASCAL VOC 20 类说起

PASCAL VOC 是计算机视觉里最有“资历”的目标检测数据集之一，它本身包含20个类别：

aeroplane, bicycle, bird, boat, bottle, bus, car, cat, chair, cow, diningtable, dog, horse, motorbike, person, pottedplant, sheep, sofa, train, tvmonitor。

大家一般会把 VOC2007 和 VOC2012 搭配着用：2007 的 trainval 做训练，2007 的 test 做测试，2012 的 trainval 做额外训练数据。两个版本的类别定义完全一致，这也是后续各种变体能够基于它做切分的前提。我第一次看 Pascal-5i 时，第一反应也是“这不就是 VOC 吗”，后来才意识到，它的关键不在数据本身，而在“怎么切”。

pascal-5i 仍然使用这20个大类，但把它们拆成了“基类”（base classes）和“新类”（novel classes）。基类拥有完整的大量标注，新类在训练阶段只保留极少量标注样本。这种设计模拟的是现实中的一个常见矛盾：某些类别你手上数据很多，某些类别刚刚出现、只有几张图，但你又希望检测器能快速学会它们。

所以 pascal-5i 不是一个孤立的数据集，它是一个“协议”。你下载的还是原始的 VOC 图片和 XML 标注，要跑 pascal-5i，关键是一套你认可的“划分规则”和“采样规则”。不同论文、不同开源代码对 fold 的划分可能有细微差别，这才是很多人最终没复现出论文数据的原因。

1.2 “5i”这两个字符怎么拆解

“5”指的是 few-shot 设定中的 shot 数，也就是 K。最常用的设定是 1-shot 和 5-shot。这儿的 shot 含义非常容易踩坑，后面我会专门讲。

“i”指的是第几个 fold（数据划分），常见变量名是 split 0 到 split 3，或者 split 1 到 split 4。因为一次切分带有偶然性，只在一个划分上做实验不能说明任何问题，所以大家约定俗成地做多次划分，把结果平均，才算是比较可信的结论。pascal-5i 里的 i，就是提醒你“别只跑一个划分”。

这套命名方式最早可以追溯到语义分割领域的 PASCAL-5i 基准。后来少样本目标检测的研究者们沿用了这一套思路：把 VOC 的 20 类拆成多个划分，每个划分里的 novel 类都不相同，这样每个类都有机会成为“少数类”，模型不能在某个特定类别组合上过拟合。所以你在读论文时经常看到 “average over 4 splits” 这类描述，指的就是在四个划分上分别训练、分别测试，最后取平均结果。

1.3 为什么少样本检测需要这种“人造基准”

目标检测的数据标注成本远高于图像分类。分类只需要告诉模型“图里有什么”，检测必须告诉它“东西在哪个位置”，也就是要画 bounding box。如果某个新类别只有三五张图，用传统检测流程去训练，很容易过拟合到背景、光线、角度这些无关因素上。

pascal-5i 的价值在于，它把所有模型放在同一个起跑线上：大家都是同样的20类，同样的 K-shot 标注量，同样的 base 类预训练数据。这样一来，论文之间能比较的就不再是“谁的数据集更好”，而是“谁能在同样的小样本条件下学到更通用的特征”。这是它和普通“数据集”最大的不同，它更像一套标准化考题。

2. 四个 Fold 怎么划分的：类别取舍与实验协议

2.1 常见划分示例与“以代码库为准”的出处

不同代码库对四个 fold 的类别划分细节略有不同，我先把最常见的一组列出来供参考（这套划分在 Meta R-CNN、TFA、DeFRCN 等不少工作里都能看到）：

• fold 1（split 0）：novel = {bird, bus, cow, motorbike, sofa}
• fold 2（split 1）：novel = {aeroplane, bottle, cow, horse, tvmonitor}
• fold 3（split 2）：novel = {boat, cat, motorbike, sofa, tvmonitor}
• fold 4（split 3）：novel = {cat, chair, cow, dog, pottedplant}

注意，fold 2 和 fold 3 里都出现了 cow、motorbike、sofa、tvmonitor，这说明不同划分之间并不要求“完全互斥”。有的刚入门的同学以为四个 fold 是硬切四份，novel 类不能重复，这完全是误解。pascal-5i 关注的是模型在“任意指定 K-shot novel 类”上的泛化能力，不是让类的集合干干净净不重叠。

更重要的是：既然各个开源库之间存在微调版本差异，你在任何实验开始前都必须确认自己使用的常量表。我看过太多实验结果对不上，最后发现是别人 repo 里 fold 划分的类别顺序跟你理解的不一样。不要盲目照抄论文附录里的表格，以你跑的那份代码里的pascal_voc.py或voc_split.py中的定义为最终标准。

2.2 shot 的定义：按实例还是按图片？这是最常见的误区

K-shot 中的 shot 绝大多数情况下指的是“标注实例数”，也就是 bounding box 的数量，而不是图片数量。这一点新手特别容易搞错，因为分类领域的 few-shot 通常天然按图片数算，一张图就是一个样本。到了检测领域，一张图里可能同时出现三只猫、五个人，那么这张图能提供的“样本数”就不是1，而是对应类别框的数量。

举个例子：5-shot 设定下，如果“猫”这个类别只有一张图片，但这一张图里恰好有 5 只猫（5 个标注框），那么它就直接满足了这个类的 5-shot 限额。如果你按“5张图”来采样，你会多拿一些本来不该出现的训练图，这相当于偷偷增加了数据量，最终结果会比论文偏高，也不公平。

构建 split 时，你需要逐类解析 XML 里的<object>数量，直到某一类的累计框数达到 K 才停止添加该类的图片。对于既包含 base 类又包含 novel 类的图片，处理方式要格外小心：通常的做法是整张图都会进入 support 集，但在训练时只会保留 novel 类的标注框，base 类框要不要保留取决于你用的训练框架。有些方法为了避免泄漏，会直接把 base 类框过滤掉，有些方法则会保留当作上下文。这个选择要在实验记录里写明白，不然别人复现时又会对不上。

2.3 实验协议：base 预训练、novel 微调、四折平均

绝大多数基于 pascal-5i 的算法走的是“两阶段”路线：第一阶段用全部 base 类训练一个常规检测器，比如 Faster R-CNN；第二阶段冻结或微调部分权重，用 K-shot 的 novel 数据做小样本适配。这是检测任务和分类任务一个显著差异，因为检测模型包含 proposal 生成、RoI 特征提取、分类与回归多个模块，你不能像图像分类那样简单地把新类别挂到分类头上就完事。

在完整实验中，你需要对每个 fold 都做同样的流程：基类预训练、抽取对应 novel 的 K-shot、微调、在 VOC2007 test 上评估。最后把四个 fold 的结果平均，上报的是“4-split 平均 mAP”，而且惯例上会单独报告 novel 类上的 mAP，因为这才是小样本能力的核心体现。只看 20 类整体 mAP 会被 base 类结果稀释，掩盖真实差距。

3. 手把手构建自己的 Pascal-5i：从 VOC 下载到 split 脚本

3.1 下载与目录结构

第一步当然是拿到原始 VOC 数据。虽然名叫“pascal-5i 数据集”，但你并不需要找专门的下载链接，只需要去官网下载 VOC2007 和 VOC2012。常见目录结构如下：

VOCdevkit/ ├── VOC2007/ │ ├── Annotations/ │ ├── ImageSets/ │ └── JPEGImages/ └── VOC2012/ ├── Annotations/ ├── ImageSets/ └── JPEGImages/

如果你用的是第三方库，比如很多少样本检测的开源代码，它们已经提供了自动化下载脚本。但我的建议是手动确认一下 Annotations 里的 XML 文件数量和 JPEGImages 里的图片数量是否对得上。因为后处理脚本通常会全量扫描这两个目录，缺失一个文件就可能导致整个类别实例计数出错，而且这种错误肉眼很难发现。

3.2 解析 XML、筛选 K-shot 实例的核心逻辑

构建 split 的核心功能就两件事：统计类别实例数、按 K-shot 限制挑选图片。下面这个简化版 Python 脚本能说明大部分逻辑：

import os import random import xml.etree.ElementTree as ET VOC_CLASSES = [ 'aeroplane', 'bicycle', 'bird', 'boat', 'bottle', 'bus', 'car', 'cat', 'chair', 'cow', 'diningtable', 'dog', 'horse', 'motorbike', 'person', 'pottedplant', 'sheep', 'sofa', 'train', 'tvmonitor' ] novel_classes = {'bird', 'bus', 'cow', 'motorbike', 'sofa'} base_classes = [c for c in VOC_CLASSES if c not in novel_classes] K_SHOT = 5 random.seed(0) def parse_annotation(xml_path): tree = ET.parse(xml_path) root = tree.getroot() instances = [] for obj in root.findall('object'): name = obj.find('name').text if name not in novel_classes: continue difficult = int(obj.find('difficult').text) if difficult: continue bndbox = obj.find('bndbox') box = [ int(round(float(bndbox.find('xmin').text))), int(round(float(bndbox.find('ymin').text))), int(round(float(bndbox.find('xmax').text))), int(round(float(bndbox.find('ymax').text))) ] instances.append((name, box)) return instances xml_dir = 'VOCdevkit/VOC2012/Annotations' all_xmls = [f for f in os.listdir(xml_dir) if f.endswith('.xml')] random.shuffle(all_xmls) shot_collect = {cls_name: [] for cls_name in novel_classes} for xml_file in all_xmls: instances = parse_annotation(os.path.join(xml_dir, xml_file)) if not instances: continue for cls_name, box in instances: if len(shot_collect[cls_name]) >= K_SHOT: continue shot_collect[cls_name].append((xml_file, box)) if all(len(v) >= K_SHOT for v in shot_collect.values()): break

这段代码里有两个关键点。第一，difficult样本建议过滤掉，这是 VOC 官方的惯例，difficult 表示该目标本身极难辨认，通常不符合小样本训练的预期，不排除会让结果不稳定。第二，采样前必须random.seed，并且把采样得到的图片列表保存成文件。因为四个 fold 之间、不同 K 值之间都需要可复现，后面对比实验或别人复现都依赖这个文件。

3.3 类别重映射与避免基类泄漏

拿到 K-shot 图片后，你不应该直接把原始标注喂给检测器。因为检测器的分类头在 base 预训练阶段只有 15 类，你要么在第二阶段扩展分类头增加 novel 类，要么把标注重映射成“base + novel 统一的新索引”。这两条路对应不同的微调策略，前者常见于把 novel 类当作增量类处理，后者常见于统一 fine-tune。很多框架默认你会在数据加载器里完成重映射，如果你没有做，模型输出的类别维度会对不上，训练直接崩。

基类泄漏是另一个隐蔽问题。假设一张 K-shot 图片里既有 novel 类“猫”，又有 base 类“人”。从最简单的角度讲，这张图包含了人的完整标注，如果在微调阶段你把人的 ground truth 也拿来训练，就等于让模型在 novel 场景中额外复习了 base 类。这对检测器的整体性能未必是坏事，但它会混淆实验结论：novel mAP 的提升到底是因为学到了“猫”的通用特征，还是因为在少数几张图里同时强化了“人”的检测能力？所以在写实验说明时，最好明确一个原则：novel 微调阶段只使用 novel 类的框参与 loss 计算。

4. 训练与评测中绕不开的细节：mAP、种子与数据增强

4.1 评估指标：novel 类 mAP 才是主线

pascal-5i 的测试阶段通常是用 VOC2007 test 作为评估集，你会对测试图片上的目标类别做预测，然后按标准 mAP 流程计算。对于小样本检测，大家最看重的是 novel 类的 mAP@0.5。原因很直接：base 类有几百上千张训练图，检测器在 base 上的性能主要反映“常规训练”能力，不是小样本能力。只有在 novel 类上拉开差距，才能说明算法在小样本条件下的泛化性能。

你可能会在网上看到不同的汇报方式：有的论文报mAP_novel，有的报mAP_all，还有的报mAP_base。做实验时我的建议是三个都算一遍，上报时以 novel 为主、另外两个作为辅助参考。因为只报 novel 类可能掩盖模型在 base 类上的灾难性遗忘，比如某些方法在 novel 上提了 2 个点，但 base 掉了 8 个点，这在实际部署中根本不可用。

4.2 两阶段微调的主流范式

从复现角度讲，R101-C4 骨架的 Faster R-CNN 配合余弦学习率衰减、在 K-shot 上微调若干个 epoch，到今天依然是性价比最高的 baseline 之一。NVIDIA 的 TFA 工作非常透彻地验证了这个思路：它不需要复杂的元学习模块，先用 base 类预训练，再在 novel 类上微调分类头和 bbox 回归头，就已经能超过很多花哨的元学习算法。

一个我反复使用的微调策略是：第一阶段（base）用正常的 1x 或 2x schedule，第二阶段（novel）把学习率降到原来的 1/10 左右，同时加大 weight decay，训练轮数不用多。小样本阶段你要是沿用大学习率，几个 batch 下来 loss 就飞了。并且在微调阶段做数据增强时，必须警惕“增强过头”：小样本场景下随机裁剪、水平翻转有帮助，但过强的 color jitter 反而会把本来就是少数类的特征进一步扭曲。

4.3 影响结果稳定性的三个隐藏因素

第一个是随机种子。很多人做 few-shot 实验时只设定一次全局随机种子，但真正影响结果的是构建 K-shot 时的采样种子、数据加载时的 shuffle 种子，以及并行训练时数据加载器的 worker 种子。我的习惯是全链路固定，并且在代码开头用日志打印出每个环节的 seed 值。

第二个是 base 预训练模型的选择。你用同一个算法、同一个 K-shot，但 base 预训练权重不同，novel 性能可能差 1 到 2 个点。社区里有些代码会公布他们训练好的 base 模型权重，建议第一次复现时直接用官方权重，搭起完整流程后再考虑自己训练 base。

第三个是“微调多少轮”。few-shot 场景下模型非常容易在 support 集上快速过拟合，训练损失下降很快，但测试 mAP 可能已经拐头向下了。我自己的做法是每 500 步保存一次 checkpoint，在验证集上选点。不要轻易相信“最后一个 epoch 最好”。

5. 我踩过的坑与给新手的检查清单

5.1 看似简单但很致命的配置错误

先分享两个真实遇到的坑。第一次跑 pascal-5i 时，我下载的 VOC 数据里混入了一些损坏的 JPEG 图片，解码时报Corrupt JPEG data警告。我一开始觉得无伤大雅，结果某个 novel 类的实例数统计一直差几个，后来才发现对应 XML 挺好，但图片文件根本打不开。从那以后我写了个脚本，逐张验证图片能否正常解码，再进 split 流程。

第二个坑是类别索引偏移。VOC 官方没有提供统一的“从 0 到 19”的类别 ID 表，很多代码库自己写了一套。如果你把一个 repo 里生成的 K-shot 标注文件直接拿到另一个 repo 里用，类别 ID 很可能对不上，出现“模型把猫预测成牛”这类完全错位的结果。解决办法很简单：每次用新代码库都先打印一遍类别索引表，确认 novel 类的 ID 和该库内部定义一致。

第三个坑容易被忽略：你在构建 K-shot 时，可能会把同一张图片同时选入 novel 类的 support 集和测试集。如果这张图来自 VOC2007 test，或者来自 VOC2012 但被某个库混进了评估集，那测试结果会虚高，模型可能只是在记忆图片而不是泛化。必须做好集合去重检查。

5.2 如何判断模型是真的学会了这些新类

小样本检测里有个常见现象：模型在 novel 类的 mAP 上看起来不错，但一可视化就露馅，它其实是在“猜”。判断模型有没有真正学会新类的通用做法有两个。

第一个做法是做一次“反向验证”。你把 novel 类 K-shot 里的图片隐藏一半，只保留 K/2 的 shot，看看 mAP 是否随之下降。如果 mAP 几乎不动，说明模型主要靠 base 预训练特征硬撑，并没有从 support 集中获取有效信息，这个模型在真实小样本场景里不太可靠。

第二个做法是画 PR 曲线而不是只看 mAP 数字。小样本下 PR 曲线通常抖动厉害，但你可以关注 recall 的极限位置。如果模型在 novel 类上的最高 recall 只有 50%，即使 AP 被调得还行，说明 proposal 阶段就已经漏掉了大量新类目标。很多小样本检测模型的瓶颈不在分类头，而在区域提议网络根本没有把新类目标提出来。

5.3 一个让实验对比更有说服力的习惯

做研究时，把四个 fold 的结果分别记录下来非常有必要。很多论文只报平均 mAP，但如果你看过每个 fold 的具体结果，会发现某些 fold 的性能明显偏低。一个能够诊断模型偏置的习惯是：打印每个 novel 类的 AP，而不是只打印总平均。比如一个方法在 fold 1 上 AP 全是 30，在 fold 2 上靠“bottle”刷到 50，平均下来看着不错，但实际挑类别。这个信息只有拆到单类才能发现。

最后分享一个小技巧：如果你在跑基线实验，建议把每个 fold 的 K-shot 标注文件单独存成 JSON 或 pickle，不要每次都重新采样。一来能保证多个方法在完全相同的 support 集上进行公平对比，二来能省掉不少调试时间。我吃过一次亏，两个算法“官方代码”各自采样了一套 support 集，结果微小差距根本分不清是算法原因还是数据原因。统一 K-shot 文件之后，实验结论一下子清晰多了。

本文还有配套的精品资源，点击获取